Redes Neurais Usadas para Construir um Mapa 3D do Universo

Astrônomos do departamento de astronomia da Universidade do Havaí recentemente fizeram uso de algoritmos de IA para mapear e construir um mapa 3D massivo de mais de 3 bilhões de objetos celestes. A equipe de astronomia fez uso de dados espectroscópicos e algoritmos de classificação de redes neurais para realizar a tarefa.

Em 2016, astrônomos da Universidade do Havaí em Manoa (UHM) liberaram ao público um conjunto de dados massivo contendo dados observacionais para mais de 3 bilhões de estrelas, galáxias e outros objetos celestes, coletados ao longo de 4 anos de observação de cerca de três quartos do céu noturno. O projeto foi chamado de projeto Pan-STARRS e o conjunto de dados produzido foi de aproximadamente 2 petabytes (dois milhões de gigabytes) de tamanho.

Como Hans-Walter Rix, diretor do departamento de Galáxias e Cosmologia do Instituto Max Plank de Astronomia explicou de acordo com o Phys.org:

“Pan-STARRS1 mapeou nossa galáxia natal, a Via Láctea, com um nível de detalhe nunca alcançado antes. A pesquisa fornece, pela primeira vez, uma visão profunda e global de uma fração significativa do plano e disco da Via Láctea… Sua combinação única de profundidade de imagem, área e cores permitiu que descobrisse a maioria dos quasares mais distantes conhecidos: esses são os primeiros exemplos em nosso universo de que buracos negros gigantes haviam crescido nos centros das galáxias”.

Um dos objetivos de liberar o conjunto de dados era que ele seria usado para construir um mapa do céu observável, classificando os muitos pontos de luz que foram observados no conjunto de dados. Pesquisadores envolvidos no projeto Pan-STARRS usaram o conjunto de dados para treinar algoritmos de aprendizado de máquina que pudessem ser usados para gerar o mapa.

Os pesquisadores da Universidade do Havaí trabalham com o telescópio PS1, localizado na ilha Grande do Havaí. O PS1 pode escanear aproximadamente 75% do céu observável. O telescópio é a maior pesquisa óptica multicolor profunda do mundo, e os pesquisadores queriam aproveitar esse poder para construir um mapa sofisticado do céu. Isso envolvia treinar os computadores do PS1 para classificar objetos, distinguindo um tipo de corpo celeste de outro tipo. O conjunto de dados que usaram para treinar o computador continha milhões de medições, caracterizadas por recursos como tamanho e cor.

Os algoritmos de IA usados foram redes neurais feedforward normais combinadas com métodos de otimização que permitiram que as redes aprendessem as relações complexas entre os milhões de pontos de dados. Robert Beck, ex-pós-doutorando em cosmologia no Instituto de Astronomia da UHM, explicou que algoritmos de otimização de ponta foram usados para treinar o computador nos aproximadamente 4 milhões de objetos celestes descritos pelo conjunto de dados. Como o TechExplorist relatou, a equipe de pesquisa também teve que corrigir a interferência de poeira dentro da galáxia Via Láctea. A equipe de pesquisa usou um método de amostragem de Monte-Carlo para estimar a incerteza criada devido à redshift fotométrica (uma estimativa da velocidade de um objeto) e, em seguida, treinou o modelo de aprendizado de máquina nos dados espectroscópicos.

Depois que o modelo foi treinado, seu desempenho foi verificado em um conjunto de dados de validação. A rede identificou com sucesso cerca de 96,6% dos quasares, 97,8% das estrelas e 98,1% das galáxias. Além disso, o modelo previu a distância às galáxias e, quando verificado, as previsões estavam apenas 3% erradas.

O resultado final do treinamento e utilização da IA foi o maior catálogo 3D de estrelas, quasares e galáxias do mundo. O coautor do estudo, Kenneth Chambers, explicou, como citado pelo Gizmodo, que os modelos usados para gerar o mapa devem ser capazes de ser usados novamente à medida que mais e mais dados são coletados, melhorando o mapa ainda mais e aprimorando nossa compreensão do nosso sistema solar e do universo. Cientistas poderão usar o mapa para obter insights sobre a forma do universo e determinar onde nosso modelo cosmológico falha em alinhar com as novas projeções.